CNN profunda multiescala basada en mecanismo de atención para el reconocimiento de emociones por EEG

Área de la Ciencia:

• Interfaz Cerebro-Computadora (BCI)
• Computación Afectiva
• Neurociencia

Sus antecedentes:

• El reconocimiento de emociones es un desafío clave en la tecnología de interfaz cerebro-computadora (BCI).
• Los modelos de aprendizaje profundo muestran potencial pero requieren características más discriminatorias para el análisis de EEG.

Objetivo del estudio:

• Desarrollar un modelo avanzado de aprendizaje profundo para mejorar el reconocimiento de emociones basado en EEG.
• Abordar los desafíos en la extracción de características discriminatorias de señales EEG multicanal.

Principales métodos:

• Se propuso una red neuronal convolucional multiescala (MSCNN) integrada con atención de canal y espacial (CSA-MSCNN).
• La atención de canal refina la extracción de características al ponderar canales críticos y reducir el ruido.
• La atención espacial identifica con precisión las regiones cerebrales relacionadas con las emociones, mientras que MSCNN captura características de señales locales y profundas.

Principales resultados:

• CSA-MSCNN logró altas precisiones: 95,75% para valencia y 95,39% para arousal (3 clases) en el conjunto de datos DEAP.
• En el conjunto de datos SEED, alcanzó una precisión promedio de clasificación de 3 clases del 90,48% para el reconocimiento de emociones.
• El modelo superó significativamente al aprendizaje automático tradicional y mostró una fuerte competitividad frente a las redes neuronales convolucionales de grafos (GCNN).

Conclusiones:

• El CSA-MSCNN maneja eficazmente la complejidad de las señales EEG multicanal y la información regional.
• Este enfoque ofrece una solución robusta para un reconocimiento de emociones EEG preciso y confiable.